“面壁者罗辑，我是你的破壁人。”
三体星人是不存在面壁破壁预判这类事的，他们的思维向内向外都是透明的。
地球生物就比他们多了一种乐趣，“你猜——你猜我猜不猜——你猜我猜你猜不猜”，“口是心非”，“口嫌体直”，“我预判了你预判我的预判”。
预测和预判在日常生活中经常遇到：
天气预报、地震预警；
大行调高调低预期；
这会儿普京和拜登谈了什么；
今晚美联储议息要拿出什么结果，全球要怎么应对这个结果；
排队的时候哪条队列会更快；
高考结束报哪个专业未来发展会更好；
谈判时对手的底线在哪里；
吵架时下一句说什么会让对方更吃瘪而自己更爽；
我们时时刻刻都生活在上一秒的结果和下一秒的前提中。
1 博弈
博弈的基础是合作。博弈讨论的问题是合作过程中责、权、利的划分。
零和博弈中，每个博弈参与者选择一个行动，并根据博弈参与者自己的行动和另一个博弈参与者的行动获得一定收益。且，博弈参与者双方的收益总和为零。
博弈的纳什均衡（Nash equilibrium）是这样一种策略：它们能够使每个博弈参与者的策略在给定其他博弈参与者策略的情况下是最优的。存在一个唯一的均衡策略，那就是，博弈参与者都以相同的概率在几个行动之间进行随机化。
随机化策略的最优性，对策略互动环境中的行为有很大的意义。
体育运动是零和博弈：一方获胜，另一方就要落败：
在点球大战中，一名前锋希望在瞄准球门左侧与球门右侧之间进行随机选择；
在网球比赛中，发球方要随机将球发到内角或外角；
在足球比赛中，进攻方希望在跑动与传球之间随机选择；
在所有这些比赛中，对战双方都倾向于随机化自己的行为，使对手无法对自己进行预判。
一个优秀的扑克玩家会随机地虚张声势。如果他一直虚张声势，对手就会了解这种策略，他就会落败。例如美国近几年历次贸易谈判前都习惯对谈判对象进行制裁，这种非随机的行为在博弈论的语境下，并非最优策略。
序贯博弈中，博弈参与者按照某个特定的顺序采取行动。由此，可以用一棵博弈树（game tree）来表示一个序贯博弈。博弈树由节点和边组成，每个节点对应于博弈参与者必须采取行动的时刻，该节点的每条边分别表示可以采取的某个行动。在博弈树最末尾的分支上，我们写下相应行动路径的收益。
在市场进入博弈中，有两个博弈参与者：拟进入者和现有企业。
如果拟进入者选择不进入市场（博弈树的左侧分支），那么它的收益为零，现有企业的收益为5；
如果拟进入者决定进入市场，那么现有企业必须做出选择：是接受新进入者，同时自己的收益从5下降为2，还是发动与新进入者的商战，但这会导致自己的收益变为零，同时令新进入者的收益为负。之所以假设这种情况下新进入者的收益为负，因为它必须为进入市场付出一定的成本。
在序贯博弈中，策略对应于每个节点处的行动选择。假设现有企业在发现有新企业进入时决定发动商战。那么，如果拟进入者知道这一点，就不会选择进入，因为这种情况下进入会产生负收益。这个行动序列——拟进入者选择不进入、现有企业在拟进入者进入时就会发动商战，是一个纳什均衡。
然而，这并不是唯一的纳什均衡，也不是最有可能出现的结果。拟进入者选择进入市场，现有企业决定接受（不发动商战），这是第二个均衡。
这个博弈在重复进行时会变得更加有趣。试想一下，现有企业也可能存在于许多个市场中。也许它是一家连锁企业，在几十个城市都有门店。再假设存在一系列的拟进入者。那么，这个企业将陆续地进行一系列市场进入博弈。
2 “黑天鹅”
“黑天鹅”描述了令人的认知、视角和理解发生巨大变化的不可预测的事件，它的存在是不应该改变认知或公认的知识的，因为这只是异常值而已，只是令人意识到可能性的存在，但大多数黑天鹅事件都不值得在日常生活中纳入考虑。
举一个简单的例子，我们得知闪电击中了附近一棵树，可能会感到害怕，想要给房子装上避雷针。但这样的一次性事件是否应该影响到你的生活方式，让你每逢下雨都躲在屋内，随时随地拿着一个金属屏蔽罩，或者搬到像沙漠一样干旱无雨的地方呢？这是否意味着我们都应该像流浪汉一样，在地下生活呢？答案是否定的，这件事不应该产生这样的影响。
黑天鹅事件具有三大特性：
特征一：具有意外性。发生的事必须是完全不可预测的。观察者不可能提前预见到。
特征二：产生重大影响。黑天鹅事件一定会带来灾难性或巨大的后果，无论是对实体、结构，还是情绪方面的影响。
特征三：人们在事后为它的发生编造理由。在黑天鹅事件首次发生后，受影响的人可能会寻找“错过的蛛丝马迹”，或者事后诸葛亮，解释说人们本来应该可以预见到事件的发生。这个特征就是我们遇到的麻烦所在。黑天鹅事件可能会产生全方位严重性的影响，迫使人们的信念或个人认知发生重大变化。
根据此特征判断“新冠肺炎疫情是否属于黑天鹅事件？”
结果是否定的。
第一个特征：新冠肺炎可预测，因为全球气候变化，气温上升，生态遭到破坏，南极北极冰盖融化等问题，大型传染病发生的可能性也在不断上升。甚至， 自2019年1月起，美国至少有组织地进行了两场以上公共卫生安全方面的演习，都是以出现新型病毒引发流行病为模拟情景。这场灾难是有人事先预测到的。
第二个特征：新冠肺炎产生了重大影响，符合特征。如我们所见，不再赘述。
第三个特征：全球范围来看，这次的大流行，尚未对人类的认知带来太大的影响。重视防疫的依然重视，认为病毒是骗局的依然如此相信，靠着恒河水和牛尿治百病的依然这样治疗。不然呢？如果人们的信念和认知早早改变，疫情应该早就控制住了。
人类知道这种事情会发生，会很严重，但依然没有阻止它的发生和发展。
让自己想一下最坏的情况，但还是要回到现实。这件事再次发生的可能性有多大？在多大程度上只是异常值？合理地说，我们有什么办法吗？如果这必然会不时发生，我们应该为此改变自己的做法吗？如果我们10年里会遇到几次闪电，是否值得为此升级改造你的整个运营设施和房子？换言之，你是否应该因为听到朋友出了车祸，就不再开车呢？
你在做明智的规划时，应该了解风险因素，但必须是准确地了解。生活充满了风险——我们每天过马路就是在承担风险，但生活还是要继续。你不应该活在对黑天鹅事件的恐惧之中，而是要花一点时间考虑这些事件可能会怎样发生，到时你需要怎样做。
做出大部分预判时，不需要把“黑天鹅”放进考虑的篮子里。
3 均值回归
与“黑天鹅”相对应的是“均值回归”的概念。
均值，基本上类似“平均数”：是一个中点，代表着常态，是一个代表性数值。在我们的定义中，均值意味着特定情境中通常或最常见的状态。
均值回归，是在受不同状况或变量（例如环境、情绪和纯属运气）影响的一连串事件中，异常事件之后通常跟随着较为普通、典型的事件。因此，反常、异常或非典型的事件发生后，多半不会有规律地再度发生，更有可能回归的模式是“常态”。
均值回归会出现在生活的方方面面。一对恋人刚开始在一起时，会对对方痴迷不已，对这段关系充满乐观，这称为“蜜月期”，充满了刚坠入爱河的甜蜜。但不要以为这样的爱意和痴迷能够真正代表这段关系。双方的爱意很快会回归到可持续的正常状态——这才是可以预期的真正的爱。这时你才知道，这段关系是否只是荷尔蒙分泌的产物。
如果你是篮球运动员，长期以来的投篮命中率是40%，这就是你的均值。如果你最近一场球的投篮命中率是50%，这并不代表你的球技突飞猛进了，因为你最终还是会回归均值。看似规律的异常值或偏差可能会误导我们。
这个思维模型表明，你应该静观其变。如果有极端事件发生，等着看一下恢复情况。如果有意外或不可预测的事件发生，等着看一下后果。如果出现了一阵风潮，等着看一下这阵风潮过去以后会发生什么事。
观察整个周期的变化，评估在这期间遇到的所有信息。不要因为发生了异常的大事，就突然调整或改变计划。保持耐心，等待事件回归正常状态，届时你才能更好地掌握发生了什么变化。从统计学上来说，多半不会发生多少改变。
要纵观全局，一大关键在于明白事物之间何时是有关联性或相关性的，何时是毫无关联或毫不相关的。我们倾向在明明不存在因果关系的情况下，编造出因果关系。
在掌握信息足够充分的情况下，用均值进行预判。
4 贝叶斯
贝叶斯——就是根据实际事件计算概率，预测未来。
尽管我们预测未来的能力糟糕透顶，但我们还是会去尝试。有时候，我们渴望就未来会发生什么事寻求保证，依赖媒体上的“专家”意见，这些专家无畏地上电视和电台节目，发表对明天、下周或明年会发生什么事的“专业”看法。
问题在于，这些专家预测未来的能力并不比我们强多少。想一下在过去25年里发生的所有重大意外事件——最重大的那些多半是没有人预料到的，尤其是那些屏幕上靠预测谋生的分析师没有预料到的。他们的作用只是提高收视率，让人暂时对未来至少比较安心。
但无论如何，他们的预测通常是错误的。努力了解不久的将来会发生什么事，成了凭空猜测，而不是真诚地努力预测。
贝叶斯定理谈的是概率，因为当然没有什么是肯定或不可避免的：如果事件A发生了，而事件A与事件B相关，那么你就可以推出事件B发生的实际概率。
P（A/B）是指在B发生的条件下， A发生的概率。 A是求解的对象，是你想要预测的事件。
P（B/A）是指在A发生的条件下， B发生的概率。
P（A）是指A发生的概率，不考虑任何B方面的因素。
P（B）是指B发生的概率，不考虑任何A方面的因素。
你只需要三个数字就能够得出某件事在未来发生的大致概率。你需要事件A发生的概率，事件B发生的概率，以及在事件A发生的条件下、事件B发生的概率。
龙卷风是罕见的（概率为1%），但大风是相当常见的（10%）， 90%的龙卷风会导致大风。你想知道如果刮起了大风，发生龙卷风的概率。
由此得出，在刮起大风时，发生龙卷风的概率是9%。
无论是无关紧要的小事还是足以改变一生的大事，很多都适用于这个公式。贝叶斯公式是一个强大的工具，因为这个公式实际上让我们单凭少数的变量，就可以量化不确定性和确定性。这个公式模拟了我们通常只会事后进行的现实生活分析，所提供的信息有助我们理解现实。
毕竟，数据不会说谎。
这个公式让我们可以滤除假装有影响力的噪声，专注于真实而又重要的方面。
虽然一切都是不确定的，但比你想象的更加确定。
贝叶斯选择停止做假设。